論文の概要: MAQ-CaF: A Modular Air Quality Calibration and Forecasting method for
cross-sensitive pollutants
- arxiv url: http://arxiv.org/abs/2104.12594v1
- Date: Thu, 22 Apr 2021 13:34:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:18:19.491454
- Title: MAQ-CaF: A Modular Air Quality Calibration and Forecasting method for
cross-sensitive pollutants
- Title(参考訳): MAQ-CaF: 感作性汚染物質に対するモジュール型空気品質校正・予測法
- Authors: Yousuf Hashmy, ZillUllah Khan, Rehan Hafiz, Usman Younis, and Tausif
Tauqeer
- Abstract要約: モジュラー空気質の校正と予測手法であるMAQ-CaFを提案する。
モジュール型機械学習ベースの設計により、信頼性の難しさを脇に置きます。
キャリブレーションされたデータはローカルとリモートの両方に格納され、将来の予測機能が追加される。
- 参考スコア(独自算出の注目度): 1.2114524594104759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The climatic challenges are rising across the globe in general and in worst
hit under-developed countries in particular. The need for accurate measurements
and forecasting of pollutants with low-cost deployment is more pertinent today
than ever before. Low-cost air quality monitoring sensors are prone to
erroneous measurements, frequent downtimes, and uncertain operational
conditions. Such a situation demands a prudent approach to ensure an effective
and flexible calibration scheme. We propose MAQ-CaF, a modular air quality
calibration, and forecasting methodology, that side-steps the challenges of
unreliability through its modular machine learning-based design which leverages
the potential of IoT framework. It stores the calibrated data both locally and
remotely with an added feature of future predictions. Our specially designed
validation process helps to establish the proposed solution's applicability and
flexibility without compromising accuracy. CO, SO2, NO2, O3, PM1.0, PM2.5 and
PM10 were calibrated and monitored with reasonable accuracy. Such an attempt is
a step toward addressing climate change's global challenge through appropriate
monitoring and air quality tracking across a wider geographical region via
affordable monitoring.
- Abstract(参考訳): 気候変動の課題は世界中に広まり、特に未発展の国では最悪の打撃を受けている。
低コストな展開で汚染物質を正確に測定し、予測する必要性は、かつてないほど重要になっている。
低コストの空気品質モニタリングセンサーは、誤った測定、頻繁なダウンタイム、不確実な運用条件の傾向にある。
このような状況は、効果的で柔軟な校正法を確保するために慎重なアプローチを必要とする。
モジュール型空気品質校正および予測手法であるMAQ-CaFを提案し、IoTフレームワークの可能性を活用するモジュール型機械学習ベースの設計を通じて、信頼性の低い課題をサイドステップする。
キャリブレーションされたデータはローカルとリモートの両方に格納され、将来の予測機能が追加される。
我々の特別に設計された検証プロセスは、精度を損なうことなく提案されたソリューションの適用性と柔軟性を確立するのに役立つ。
CO, SO2, NO2, O3, PM1.0, PM2.5, PM10を適度に測定した。
このような試みは、適切な監視と、安価なモニタリングを通じてより広い地理的地域を横断する大気質の追跡を通じて、気候変動の世界的な課題に対処するためのステップである。
関連論文リスト
- Towards Kriging-informed Conditional Diffusion for Regional Sea-Level Data Downscaling [3.8178633709015446]
地球規模の気候モデルや衛星データから粗解射影を推定すると、下降問題は、より詳細な地域気候データを推定することを目的としている。
この問題は、気候変動による重大なリスクに対する効果的な適応、緩和、レジリエンスに社会的に不可欠である。
そこで本稿では, 空間的変動を抑えつつ, 微細な特徴を保ちながら, 空間的変動を捉えるためのKriging-informed Conditional Diffusion Probabilistic Model (Ki-CDPM)を提案する。
論文 参考訳(メタデータ) (2024-10-21T04:24:10Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳(メタデータ) (2024-09-11T19:31:56Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - Large Scale Masked Autoencoding for Reducing Label Requirements on SAR Data [5.235143203977019]
本研究では,地球表面面積の8.7%をカバーするSAR振幅データに対して,自己教師付き事前学習方式,マスク付き自動符号化を適用した。
この事前学習方式を用いることで、下流タスクのラベル付け要求を1桁以上削減できることを示す。
本研究は,タスクモデルと地域固有のSARモデルの開発を促進することにより,気候変動の緩和を著しく促進する。
論文 参考訳(メタデータ) (2023-10-02T00:11:47Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - PseudoCal: A Source-Free Approach to Unsupervised Uncertainty
Calibration in Domain Adaptation [87.69789891809562]
非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。
UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。
PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
論文 参考訳(メタデータ) (2023-07-14T17:21:41Z) - Forecast-Aware Model Driven LSTM [0.0]
粗悪な空気質は人間の健康に大きな影響を及ぼす可能性がある。
モデルバイアスを補正するために使われる伝統的な手法は、線形性や基礎となる分布について仮定する。
ディープラーニングは、極端な空気質のイベントが存在する場合に、空気質の予測を約束する。
論文 参考訳(メタデータ) (2023-03-23T00:03:07Z) - Discretized Linear Regression and Multiclass Support Vector Based Air
Pollution Forecasting Technique [0.0]
本稿では,クラウドコンピューティング環境における大気汚染の監視と制御を行うIoT(Internet of Things)システムを提案する。
インドにおける大気質データを用いた実験により,提案したLR-MSV法の優れた性能が明らかにされた。
論文 参考訳(メタデータ) (2022-11-28T06:51:59Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳(メタデータ) (2020-06-29T21:50:07Z) - Adaptive machine learning strategies for network calibration of IoT
smart air quality monitoring devices [1.957338076370071]
低コストの化学マイクロセンサーアレイは、比較的正確な大気汚染物質定量推定を提供することができる。
これらの精度は、いくつかの技術的問題の負の影響により、長期の現場展開において制限されている。
本研究では,マルチセンサキャリブレーションモデルの妥当性を高めるために,適応学習戦略を用いた非定常フレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-24T10:26:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。